⚡ electrical engineering

Dataset and UAV Propagation Channel Modeling for LoRa in the 860 MHz ISM Band

Questo lavoro presenta un dataset di campioni IQ di trasmissioni LoRa in banda ISM a 860 MHz, raccolto tramite una piattaforma SDR in ambiente universitario, e ne deriva modelli empirici di propagazione del canale per scenari UAV e pedonali, facilitando la valutazione delle prestazioni delle reti IoT.

Autori originali: Joachim Tapparel, Andreas Burg

Pubblicato 2026-04-10

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Joachim Tapparel, Andreas Burg

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover spiegare a un amico come funziona una rete di comunicazione per dispositivi intelligenti (come quelli che usiamo per l'IoT, Internet delle Cose) e perché è così difficile prevedere come viaggiano i loro messaggi. Ecco la spiegazione di questo studio, raccontata come una storia.

📡 La Missione: Inseguire il "Messaggero Silenzioso"

Immagina che LoRa sia un messaggero molto speciale. A differenza di un corriere veloce ma rumoroso (come il Wi-Fi o il 5G), questo messaggero è silenzioso, consuma pochissima batteria e può viaggiare per chilometri. È perfetto per le città intelligenti, ma ha un difetto: è molto sensibile. Se c'è un po' di vento, un muro o un ostacolo, il suo messaggio può andare perso.

Gli scienziati di questo studio volevano capire esattamente come viaggiano questi messaggi in un ambiente reale (il campus universitario di Losanna, in Svizzera), specialmente quando il messaggero si muove in modo strano:

A piedi: Un umano che cammina tra gli edifici (molto ostacoli).
In aria (UAV): Un drone che vola (a volte vede la strada, a volte no).

🎒 L'Esperimento: La "Caccia al Tesoro" con Quattro Orecchie

Per studiare questo, gli scienziati non hanno usato solo teorie da libro. Hanno costruito un laboratorio mobile.

Hanno piazzato 4 ricevitori (come quattro orecchie molto attente) sui tetti di diversi edifici.
Hanno inviato messaggi LoRa da due fonti: un drone e una persona a piedi.
La magia: Invece di registrare solo "quanto forte era il segnale" (come fa un normale telefono), hanno registrato tutto il suono grezzo (i campioni IQ). È come se invece di ascoltare solo la voce di qualcuno, avessero registrato l'intera orchestra, ogni nota, ogni eco e ogni fruscio. Questo permette di analizzare il segnale con una precisione chirurgica.

📊 Cosa Hanno Scoperto? (Le Tre Regole del Viaggio)

Dopo aver raccolto migliaia di messaggi, hanno creato delle "mappe" per prevedere come si comporta il segnale. Ecco le scoperte principali, spiegate con metafore:

1. La Legge della Distanza (Il "Freno" Naturale)

Come ci si aspetta, più il messaggero si allontana, più il segnale si indebolisce. Hanno creato una formula matematica che descrive questo "freno".

Scoperta: Il segnale dei droni che volano in linea retta (senza ostacoli) è molto stabile. Il segnale dei droni che volano dietro agli edifici o quello delle persone a piedi è molto più "nervoso" e imprevedibile.

2. Il "Rumore di Fondo" (Piccole e Grandi Onde)

Hanno diviso il problema in due parti, come se stessero analizzando le onde del mare:

Le piccole onde (Small-Scale): Sono i rapidi cambiamenti dovuti agli ostacoli vicini (un albero, un muro, un'auto). Sono come le increspature sulla superficie dell'acqua.
- Curiosità: Quando la persona cammina a terra, ci sono molte più increspature (più ostacoli) rispetto al drone che vola in alto.
Le grandi onde (Large-Scale): Sono i cambiamenti lenti dovuti alla distanza totale e all'ambiente generale. Sono come le maree.
- Curiosità: Sorprendentemente, le "maree" (i cambiamenti lenti) sono simili sia per il drone che per la persona. Ma il drone le "sente" su distanze più lunghe, mentre la persona le sente cambiare molto più velocemente mentre cammina.

3. La "Danza Correlata" (Il Segreto dei 4 Ricevitori)

Questo è il punto più interessante. Immagina di avere quattro amici che ascoltano lo stesso discorso da quattro finestre diverse. Se il vento cambia, cambia per tutti e quattro contemporaneamente, ma in modo leggermente diverso.
Gli scienziati hanno scoperto che i segnali ricevuti dai quattro punti non sono indipendenti: sono collegati. Se un ricevitore sente un calo di segnale, è probabile che anche il vicino lo senta, ma con un ritardo o una forza diversa.
Hanno creato un modello matematico (chiamato "modello autoregressivo") che funziona come una catena di domino: se sai cosa succede a un punto, puoi prevedere con buona precisione cosa succederà al punto successivo, basandoti sulla distanza.

🚀 Perché è Importante? (Il "Perché" della Storia)

Prima di questo studio, chi progettava reti LoRa doveva fare ipotesi a caso o usare modelli generici per i cellulari, che non funzionano bene per i droni o per i dispositivi a bassa potenza.

Grazie a questo lavoro:

Abbiamo una mappa precisa: Ora sappiamo esattamente come progettare le reti per i droni (che stanno diventando sempre più comuni per le consegne o le ispezioni).
Abbiamo dati reali: Hanno reso pubblico il loro "diario di bordo" (il dataset) con tutti i suoni registrati. È come se avessero dato a tutti gli ingegneri del mondo una registrazione reale per allenare i loro computer.
Migliori algoritmi: Ora si possono creare software più intelligenti che sanno "pulire" il rumore e recuperare i messaggi persi, proprio come un orecchio umano che riesce a sentire una conversazione in una stanza rumorosa.

In Sintesi

Questo paper è come aver costruito una mappa del tesoro dettagliata per i messaggi invisibili dei dispositivi IoT. Ha mostrato che volare (droni) è molto diverso dal camminare (persone) in termini di come il segnale viaggia, e ha fornito gli strumenti matematici per prevedere questi viaggi con grande precisione, rendendo le nostre città e i nostri cieli più connessi e intelligenti.

Panoramica del Problema

Le reti a bassa potenza e ampia copertura (LPWAN), in particolare la tecnologia LoRa, sono fondamentali per l'Internet of Things (IoT). Tuttavia, la rapida densificazione delle reti IoT richiede modelli di canale specifici per valutare accuratamente le prestazioni.
Esistono modelli consolidati per le tecnologie cellulari, ma le trasmissioni LoRa presentano caratteristiche uniche:

Operano in bande ISM sub-GHz (non licenziate) con larghezze di banda ridotte (~250 kHz).
Sono altamente sensibili alle variazioni del canale a causa della lunga durata "on-air" e della necessità di minimizzare la potenza di trasmissione.
I canali sperimentati dai droni (UAV) a diverse altitudini possono differire significativamente da quelli a livello pedonale (NLoS), rendendo i modelli esistenti inadeguati per scenari di telemetria UAV.
I dispositivi commerciali forniscono spesso solo valori RSSI (una per frame), che offrono una risoluzione temporale bassa e mancano di informazioni di fase, limitando l'analisi avanzata.

Metodologia

Gli autori hanno sviluppato un banco di prova basato su Software Defined Radio (SDR) per raccogliere dati empirici e derivare modelli di canale.

Setup Sperimentale:
- Ambiente: Campus dell'EPFL a Losanna, Svizzera.
- Ricevitori: Quattro gateway distribuiti sui tetti, ciascuno composto da un Raspberry Pi 5, un SDR NI USRP-2920 e un ricevitore GPS Quectel L80 per la sincronizzazione temporale precisa (mitigando il drift dell'orologio interno).
- Trasmettitori: Due configurazioni mobili:
  - Un trasmettitore LoRa portato da un pedone.
  - Un trasmettitore LoRa montato su un UAV (drone).
- Parametri di Trasmissione: Frequenza 862.5 MHz, Bandwidth 125/250 kHz, Spreading Factor 7 e 10, Potenza 14 dBm.
Raccolta Dati:
- Sono stati raccolti oltre 17.000 frame LoRa validi per ciascuno dei tre scenari:
  1. UAV con Linea di Vista (LoS).
  2. UAV senza Linea di Vista (NLoS).
  3. Pedone senza Linea di Vista (NLoS).
- Dataset: A differenza dei dati RSSI, questo dataset contiene campioni IQ (In-Phase/Quadrature) grezzi sincronizzati, annotati con metadati (posizione GPS, velocità, SNR, ID frame, ecc.). I dati sono salvati nel formato standard SigMF.
Modellazione del Canale:
- Perdita di Percorso (Pathloss): Adattamento di un modello log-distanza per stimare l'SNR medio in funzione della distanza.
- Scomposizione dell'Attenuazione: Separazione dell'attenuazione totale in due componenti stocastiche indipendenti:
  - Attenuazione a piccola scala (Small-scale fading): Variazioni rapide e non correlate.
  - Attenuazione a grande scala (Large-scale fading): Variazioni lente correlate spazialmente tra i ricevitori.
- Correlazione Spaziale: Utilizzo di un modello autoregressivo del primo ordine (AR(1)) per modellare la correlazione spaziale dell'attenuazione a grande scala tra ricevitori distribuiti.

Contributi Chiave

Dataset Open-Source: Pubblicazione del primo dataset pubblico di campioni IQ grezzi di trasmissioni LoRa esterne, annotati con informazioni di sincronizzazione e posizione, abilitando la valutazione di algoritmi di ricezione avanzati (es. cancellazione interferenze, rilevamento multi-utente).
Modelli di Canale Empirici: Sviluppo di modelli di propagazione specifici per LoRa che includono la correlazione spaziale dell'attenuazione a grande scala per ricevitori distribuiti, sia per scenari UAV che pedonali.
Analisi Comparativa: Confronto diretto delle caratteristiche di propagazione tra UAV (LoS/NLoS) e pedoni (NLoS), evidenziando differenze significative nella dinamica del canale.

Risultati Principali

Modelli Log-Distanza: I parametri di adattamento (esponente di pathloss $\gamma$ $γ$ ) per gli scenari NLoS sono coerenti con modelli urbani esistenti (es. Hata-Okumura).
- UAV LoS: $\gamma \approx 2.79$
- UAV NLoS: $\gamma \approx 3.62$
- Pedone NLoS: $\gamma \approx 3.25$
Distribuzione del Fading:
- Le deviazioni dall'SNR medio seguono una distribuzione Normale.
- La deviazione standard totale ( $\sigma_z$ ) è significativamente più alta per lo scenario "Pedone NLoS" (8.90 dB) rispetto a "UAV NLoS" (5.71 dB), a causa del maggior numero di scatterer a livello del suolo.
Separazione delle Componenti:
- L'attenuazione a piccola scala ( $\sigma_x$ ) aumenta con l'ostacolo (più alta in NLoS).
- L'attenuazione a grande scala ( $\sigma_y$ ) rimane stabile tra gli scenari, indicando che le variazioni lente sono simili indipendentemente dall'altezza.
Correlazione Spaziale:
- Gli scenari UAV mostrano una correlazione spaziale più alta (parametro $\phi$ più vicino a 1) e una varianza dell'innovazione ( $\sigma_\epsilon$ ) più bassa rispetto ai pedoni.
- Questo implica che per gli UAV le variazioni del canale avvengono su distanze maggiori, mentre per i pedoni il canale cambia più rapidamente nello spazio.
Validazione: Il modello proposto (distribuzione normale multivariata con matrice di covarianza esponenziale) si adatta bene ai dati misurati, con residui non correlati e distribuiti normalmente.

Significato e Impatto

Questo lavoro è fondamentale per:

Progettazione di Reti IoT: Fornisce modelli realistici per simulazioni di rete, permettendo di valutare copertura, capacità e interferenze in scenari reali.
Sviluppo UAV: Offre dati critici per la telemetria e il controllo dei droni, dove i canali a diverse altitudini comportano dinamiche di fading diverse rispetto alle reti terrestri.
Algoritmi di Ricezione: La disponibilità di campioni IQ ad alta risoluzione temporale e di fase permette di testare e migliorare algoritmi complessi come la cancellazione dell'interferenza e il joint processing in reti C-RAN (Cloud Radio Access Networks) e sistemi ad antenna distribuita.
Riproducibilità: L'open-source del dataset e del codice favorisce la ricerca comparativa e lo sviluppo di standard futuri per le comunicazioni IoT.